[论文解读] Computing High Accuracy Power Spectra with Pico

William A. Fendt, B. D. Wandelt|ArXiv.org|Dec 2, 2007

Radio Astronomy Observations and Technology参考文献 5被引用 10

一句话总结

本文介绍了 Pico 的第二个版本，这是一种基于机器学习的代码，可在广泛的宇宙学参数空间内以小于 1% 的精度计算宇宙微波背景（CMB）功率谱和 WMAP 似然。通过利用高精度 CAMB 训练数据和分布式计算，Pico 在保持 TT、TE、EE 和张量功率谱高精度的同时，实现了比 CAMB 快约 250,000 倍的性能提升，从而实现了快速且精确的宇宙学参数推断。

ABSTRACT

This paper presents the second release of Pico (Parameters for the Impatient COsmologist). Pico is a general purpose machine learning code which we have applied to computing the CMB power spectra and the WMAP likelihood. For this release, we have made improvements to the algorithm as well as the data sets used to train Pico, leading to a significant improvement in accuracy. For the 9 parameter nonflat case presented here Pico can on average compute the TT, TE and EE spectra to better than 1% of cosmic standard deviation for nearly all $\ell$ values over a large region of parameter space. Performing a cosmological parameter analysis of current CMB and large scale structure data, we show that these power spectra give very accurate 1 and 2 dimensional parameter posteriors. We have extended Pico to allow computation of the tensor power spectrum and the matter transfer function. Pico runs about 1500 times faster than CAMB at the default accuracy and about 250,000 times faster at high accuracy. Training Pico can be done using massively parallel computing resources, including distributed computing projects such as Cosmology@Home. On the homepage for Pico, located at http://cosmos.astro.uiuc.edu/pico, we provide new sets of regression coefficients and make the training code available for public use.

研究动机与目标

• 开发一种比传统 CMB 功率谱代码（如 CAMB）更快、精度更高的替代方案，用于宇宙学参数空间探索。
• 通过使用高精度 CAMB 输出训练 Pico，解决 CAMB 在标准精度下（特别是在非平直模型中）的数值噪声问题。
• 利用大规模并行和分布式计算资源（如 Cosmology@Home）实现 Pico 的高效训练。
• 扩展 Pico 的功能，以计算张量功率谱和物质转移函数，扩大其适用范围。
• 向社区公开发布训练好的模型和训练代码，供未来宇宙学分析使用。

提出的方法

• Pico 通过三步流程建模从宇宙学参数到 CMB 功率谱的映射：对谱进行 Karhunen-Loève 压缩，对输入参数空间进行 k-means 聚类，并在每个聚类内使用最小二乘多项式拟合。
• 该算法使用 LAPACK 库进行稳定的矩阵分解，支持更高阶多项式，从而在低（ℓ < 200）和高（ℓ > 1500）多极数区域提升精度。
• 训练数据通过高精度 CAMB 运行生成，重点聚焦于参数空间的高似然区域，以提高后验峰值附近的精度。
• 采用一种新颖的训练策略，避免依赖串行 CAMB 运行，转而使用并行或分布式计算，包括通过 Cosmology@Home 的志愿者计算。
• Pico 扩展为可计算张量功率谱和物质转移函数，除标准的 TT、TE 和 EE 谱外。
• 直接使用训练数据上的多项式回归对 WMAP 似然进行建模，从而无需重复评估似然代码。

实验结果

研究问题

• RQ1 机器学习方法是否能在广泛的 9 参数非平直宇宙学模型中实现 CMB 功率谱计算的亚 1% 精度？
• RQ2 如何在不依赖串行 CAMB 计算的前提下，高效生成 Pico 的训练数据？
• RQ3 Pico 在参数后验估计中的表现与 CAMB 和 WMAP 似然代码相比如何？
• RQ4 Pico 是否能准确建模 WMAP 似然和张量功率谱，从而超越标准的 TT、TE 和 EE 谱？
• RQ5 当使用 Cosmology@Home 等分布式计算资源训练时，Pico 的可扩展性和精度提升程度如何？

主要发现

• Pico 在 9 参数非平直模型中几乎所有 ℓ 值上，对 TT、TE 和 EE 功率谱的计算精度优于宇宙方差的 1%。
• 在默认精度下，Pico 相较于 CAMB 实现了 1,500 倍的加速，而在高精度设置下最高可达 250,000 倍加速。
• Pico 的边际 1D 和 2D 参数后验分布与使用 CAMB 和 WMAP 似然代码计算的结果高度一致，证实了其在宇宙学推断中的高保真度。
• 包含张量功率谱和物质转移函数的扩展显著提升了 Pico 的实用性，使其超越标准 CMB 谱的计算范围。
• 使用 Cosmology@Home 等分布式计算资源训练 Pico 是可行且高效的，可实现大规模、高精度训练，且无串行瓶颈。
• 作者发布了新的回归系数和训练代码，使公众能够对新模型和参数空间进行重新训练。